基于时序域的设备调控方法、系统和网络侧服务端

技术领域

本发明属于时序预测技术领域，具体涉及基于时序域的设备调控方法、系统和网络侧服务端。

背景技术

随着工业互联网技术的快速发展，复杂设备系统的多输入变量最优调控能够逐渐成为可能。实现设备多输入变量最优调控的关键就是对时序多变量进行建模预测，并且基于预测进行时序多变量寻优。根据寻优得到的路径能够让设备尽快达到预设稳定状态，从而降低对人工调节的经验依赖，节约人力和物力运营成本。

建模预测通常是采用数学回归模型对历史统计的时间序列在未来的变化趋势进行预测和分析。而数学回归模型的参数对回归精度和泛化性能具有决定性影响，如何优化数学回归模型的参数是决定时序预测准确度的关键。现有的参数优化方法主要包括直接确定法、交叉验证法以及网络搜索法以及人工蜂群算法等，但是现有的参数优化方法都存在一些难以规避的问题，直接确定法对先验知识要求高，可拓展途径较低；交叉验证法的时间复杂度高，实际可行度低；网络搜索法计算耗费量大，且难以保证收敛到全局最优；人工蜂群算法受限于自身进化方式和选择策略，搜索精度不高、收敛速度慢以及容易早熟等。

并且，复杂系统时序参数存在典型的多变量耦合关系及变量调节的惯性滞后问题，调节时序参数需要考虑多输入变量协调优化。目前绝大多数利用数据挖掘技术来实现建模和寻优的方法是，将每时刻的数据当作独立样本，利用传统的数据挖掘算法如支持向量机回归法，BP神经网络等建立可控输入变量和输出变量的非线性回归关系。但是传统数据挖掘方法最大的问题在于预测模型无法考虑一段时间内各输入变量之间的关联性，遗漏了关键的时序信息。另外，普通的遗传算法也无法快速优化时序结构的数据。这会导致基于传统预测及普通优化的方法很难在短时间内找到当前时刻各输入变量的最优时序路径。

发明内容

本发明提供基于时序域的设备调控方法、系统和网络侧服务端，用以解决现有技术中，在复杂设备系统进行时序预测中多变量动态优化时，难以在短时间内调控到最优时序路径的问题。

本发明的基础方案为：基于时序域的设备调控方法，包括：

获取设备进行预处理后的原始数据；

获取设备当前运行的当前数据；

根据所述当前数据和所述原始数据，构建多维度可控输入变量的时序域空间；

根据所述时序域空间和预设的时序神经网络模型，构建优化目标函数；

根据所述时序域空间和所述优化目标函数，采用预设的优化算法，计算各个可控输入变量的时序控制路径，并筛选出最优的时序控制路径。

基础方案的有益效果：本方案采用了时序神经网络模型，利用设备的多变量耦合性和时序关联性，计算出预测值，随后根据预测值计算优化目标函数。然后根据优化目标函数、时序域空间和优化算法，计算出各个可输入变量的时序控制路径，随后筛选出优化最好的那个时序控制路径。相比于传统数据挖掘算法，预测准确性更高。同时新定义了时序域空间和目标函数的构建方法，能够更方便于可控变量调节快速达到最优时序路径，灵活性高，可便捷移植到其他场景。在原始数据和时序神经网络模型获取后直接存储，便于后续时序域空间和优化目标函数的计算并便于筛选出最优的时序控制路径。

进一步，所述获取设备进行预处理后的原始数据，具体包括：

获取设备运行的历史时序数据；

对所述历史时序数据进行预处理，成为原始数据。

进一步，所述对所述历史时序数据进行预处理，成为原始数据，具体包括：

查找所述历史时序数据中的数据缺失，采用上一时刻值进行填充缺失值。

进一步，所述对所述历史时序数据进行预处理，成为原始数据，具体包括：

获取历史时序数据中的各个特征数据和对应所述特征数据的量纲；

根据所述量纲，将所述特征数据归一化为原始数据。

进一步，所述根据所述当前数据和所述原始数据，构建多维度可控输入变量的时序域空间，具体包括：

针对每个变量，

计算所述当前数据与原始数据之间的平方差距离，将平方差距离最小的数值作为当前时刻的备选数值；

针对多个变量的备选数值，

以各个备选数值为起点，在原始数据中取各自预设的时间步长的大小的数值组成列表，形成整体的是时序域空间。

进一步，所述时序神经网络模型的构建过程为：

根据所述原始数据确定时序神经网络模型的模型，确定模型参数；

所述模型参数的确定，以最小化预测值和实际值的均方根差为评价目标，

所述均方根差采用keras建模，rmse表达式为：

进一步，所述时序神经网络模型采用双层长短期记忆网络LSTM层。

进一步，所述根据所述时序域空间和预设的时序神经网络模型，构建优化目标函数，具体包括：

将时序域空间的每个输入变量的单个备选样本按照模型训练时各变量的维度顺序拼接，作为拼接变量组；

将所述拼接变量组代入所述时序神经网络模型，得到预测值；

将所述预测值代入到预设函数中，得到优化目标函数；所述预设函数为，

进一步，所述优化算法为贝叶斯优化算法。

进一步，根据所述时序域空间和所述优化目标，采用预设的优化算法，计算各个可控输入变量的时序控制路径，并筛选出最优的时序控制路径，具体包括：

将处理后的时序域空间输入到所述优化目标函数内，得到输出结果；所述处理后的时序域空间为将所述时序域空间代入到时序神经网络中所得；

当所述输出结果达到预设稳定值，所述处理后的时序域空间的输入变量作为最优时序控制路径。

本发明还提供基于时序域的设备调控系统，包括：

存储模块，用于存储原始数据、当前数据、历史时序数据和时序神经网络模型；

采集模块，用于采集当前数据并发送给存储模块；

预处理模块，用于将存储模块中的历史时序数据，预处理为原始数据，并发送给存储模块；

时序域空间构建模块，用于根据存储模块的当前数据和所述原始数据，构建多维度可控输入变量的时序域空间，并将时序域空间发送给处理模块和优化目标函数构建模块；

优化目标函数构建模块，用于根据时序域空间构件模块所发送的时序域空间和存储模块的时序神经网络模型，构建优化目标函数，并将优化目标函数发送给处理模块；

处理模块，用于根据时序域空间构建模块所发送的时序域空间和优化目标函数构建模块所发送的优化目标函数，采用预设的优化算法，计算各个可控输入变量的时序控制路径，并将各个可控输入变量的时序控制路径发送给筛选模块；

筛选模块，用于根据各个可控输入变量的时序控制路径，筛选出最优的时序控制路径，并发送给输出模块；

输出模块，用于输出筛选模块所发送的时序控制路径。

本发明的实施方式还提供了一种网络侧服务端，包括：

至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述的基于时序域的设备调控方法。

附图说明

图1为本发明第一实施方式提供的基于时序域的设备调控方法的流程图；

图2为本发明第二实施方式提供的基于时序域的设备调控系统的结构示意图；

图3位本发明第三实施方式提供的网络侧服务端的结构示意图。

具体实施方式

下面通过具体实施方式进一步详细的说明：

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。

第一实施方式：

本实施方式提供基于时序域的设备调控方法，包括：获取设备进行预处理后的原始数据；获取设备当前运行的当前数据；根据所述当前数据和所述原始数据，构建多维度可控输入变量的时序域空间；根据所述时序域空间和预设的时序神经网络模型，构建优化目标函数；根据所述时序域空间和所述优化目标函数，采用预设的优化算法，计算各个可控输入变量的时序控制路径，并筛选出最优的时序控制路径。

采用了时序神经网络模型，利用设备的多变量耦合性和时序关联性，计算出预测值，随后根据预测值计算优化目标函数。然后根据优化目标函数、时序域空间和优化算法，计算出各个可输入变量的时序控制路径，随后筛选出优化最好的那个时序控制路径。相比于传统数据挖掘算法，预测准确性更高。同时新定义了时序域空间和目标函数的构建方法，能够更方便于可控变量调节快速达到最优时序路径，灵活性高，可便捷移植到其他场景。

下面对本实施方式的基于时序域的设备调控方法的实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须，本实施方式的具体流程如图1所示，本实施方式应用于网络侧的服务端。

步骤101，获取设备进行预处理后的原始数据。

具体而言，该步骤101包括以下内容：

S1-1，获取设备运行的历史时序数据；

S1-2，对所述历史时序数据进行预处理，成为原始数据。

S1-1中，历史时序数据为设备在一段时间运行的时序数据，包括可控输入变量和输出变量。例如：设备为回转窑，采集一段时间回转窑运行的设备时序数据，设备时序数据是回转窑各可控输入变量，包括回转窑电机电流、回转窑电机转速、进口物料流量、进口氮气压力、进口氮气流量、三种入炉物料的比例等，最终为一份多维的可控输入变量的时间序列数据，该多为可控输入变量的时间序列数据就是历史时序数据，多维体现在多个可控输入变量。

S1-2中，历史时序数据进行预处理的过程包括：

S1-2-1，对历史时序数据的缺失值进行补充；

S1-2-2，对历史时序数据进行归一化。

具体地，S1-2-1中，对历史时序数据的缺失值进行补充，包括：S1-2-1-1，查找所述历史时序数据中的数据缺失；S1-2-1-2，若历史时序数据满足预设条件，采用上一时刻值进行填充缺失值。

S1-2-1-1中，查找数据缺失的方法为：依次历史时序数据在每个历史时刻，多个变量是否具有数据记录，若均有数据记录，则判定历史时序数据中没有数据缺失；若存在没有数据记录，则判定历史数据中存在数据缺失，并执行S1-2-1-2，将该存在历史缺失的历史时刻的变量的对应数据进行填补。S1-2-1-2中，预设条件为历史时序数据中短期变化很小，即，历史时序数据中一个时间步长的时间段内，相同变量的数据差值小于k，k为判断变化是否巨大的差异值，通常k的取值是极小值。

例如：对于因传感器损坏、网络异常、采集卡填值异常等原因导致的数据缺失，可以合理假设短期内变化很小，因而采用上一时刻值进行填充，例如表1，时刻2020-01-0100:00:10，电机转速缺失，则采用上一时刻，即时刻2020-01-01 00:00:10的转速值2500进行填充。

表1：一份多维的可控输入变量的时间序列数据及单变量输出温度

具体地，S1-2-2，对历史时序数据进行归一化，用于消除各输入变量因不同的量纲带来的偏差影响的影响，过程为：

S1-2-2-1，取历史时序数据中各个变量对应的特征数据的最大值和最小值，并计算平均值；

S1-2-2-2，将各个变量对应的特征数据进行归一化操作，使得特征的变化范围都各自映射到[-1，1]中，归一化的表达式为，

步骤102，获取设备当前运行的当前数据。

具体而言，设备运行的当前数据为现场通过采集模块进行采集的，是当前时刻的各个变量的特征数据。

步骤103，根据所述当前数据和所述原始数据，构建多维度可控输入变量的时序域空间。

具体而言，步骤103的实施包括以下步骤：

S3-1，针对每个变量，计算所述当前数据与原始数据之间的平方差距离，将平方差距离最小的数值作为当前时刻的备选数值；这里当前数据为，进行一次调控路径寻优时，先采集设备当前时刻的多维的输入变量数据；

S3-2，针对多个变量的备选数值，以各个备选数值为起点，在原始数据中取各自预设的时间步长的大小的数值组成列表，形成整体的是时序域空间。在该时序域空间范围内，每个可控输入变量都会有一个时间序列，该时间序列中的特征数值均为备选数值；

S3-3，以top-k中的每个数值为起点，取其后的时间步长timestep窗口大小，组成k个长度为时间步长的时序备用样本；

S3-4，对于每个变量进行重复步骤S3-2和步骤S3-3，将所有的时序备用样本组成时序域空间。

步骤104，根据所述时序域空间和预设的时序神经网络模型，构建优化目标函数。

具体而言，时序神经网络模型的构建过程为：根据所述原始数据确定时序神经网络模型的模型，确定模型参数；所述模型参数的确定，以最小化预测值和实际值的均方根差为评价目标。

其中，建立合适的时序神经网络模型，设置网络结构的初始化参数，：输入层单元数、隐藏层单元数、输出层单元数、权重初始化方式、激活函数、dropout值、批处理样本数量、时间步长timestep、训练循环次数、初始学习率、优化器。

例如，时序神经网络模型采用双层长短期记忆网络LSTM层，各层网络参数为输入层单元数为可控输入变量个数、隐藏层单元数为16、输出层单元数为1、权重初始化方式为随机初始化、激活函数为tanh、dropout值为0.2、批处理样本数量128、时间步长timestep＝36、训练循环次数20、初始学习率0.001、优化器Adam。

均方根差的计算采用keras建模，均方根差rmse表达式为：

步骤104的实施，具体包括：

S4-1，将时序域空间的每个输入变量的单个备选样本按照模型训练时各变量的维度顺序拼接，作为拼接变量组；

S4-2，将所述拼接变量组代入所述时序神经网络模型，得到预测值；这里预设值为预测的时序输出；

S4-3，将所述预测值代入到预设函数中，得到优化目标函数；所述预设函数为，

步骤105，根据所述时序域空间和所述优化目标函数，采用预设的优化算法，计算各个可控输入变量的时序控制路径。

具体而言，优化算法为贝叶斯优化算法。步骤105的实施，具体包括以下步骤：

S5-1，选择贝叶斯优化的搜索算法tpe，tpe为Tree-Parzen估计器；

S5-2，将处理后的时序域空间输入到所述优化目标函数内，得到输出结果，时序域空间的输入参数作为可控输入变量的时序控制路径；所述处理后的时序域空间为将所述时序域空间代入到时序神经网络中所得。

步骤106，从各个可控输入变量的时序控制路径中，筛选出最优的时序控制路径。

具体而言，从步骤105所发送的各个可控输入变量的时序控制路径，筛选出达到预设稳定值的输出结果所对应的可控输入变量的时序控制路径，并进行输出。

上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本专利的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该专利的保护范围内。

第二实施方式：

本实施方式提供了基于时序域的设备调控系统，如图2所示，包括：存储模块201、采集模块202、预处理模块203、时序域空间构建模块204、优化目标函数构建模块205、处理模块206、筛选模块207和输出模块208。

具体地说，存储模块201，用于存储原始数据、当前数据、历史时序数据和时序神经网络模型；

采集模块202，用于采集当前数据并发送给存储模块201；

预处理模块203，用于将存储模块201中的历史时序数据预处理为原始数据，并发送给存储模块201；

时序域空间构建模块204，用于根据存储模块201的当前数据和所述原始数据，构建多维度可控输入变量的时序域空间，并将时序域空间发送给处理模块206和优化目标函数构建模块205；

优化目标函数构建模块205，用于根据时序域空间构建模块204所发送的时序域空间和存储模块201的时序神经网络模型，构建优化目标函数，并将优化目标函数发送给处理模块206；

处理模块206，用于根据时序域空间构建模块204所发送的时序域空间和优化目标函数构建模块205所发送的优化目标函数，采用预设的优化算法，计算各个可控输入变量的时序控制路径，并将各个可控输入变量的时序控制路径发送给筛选模块207；

筛选模块207，用于根据各个可控输入变量的时序控制路径，筛选出最优的时序控制路径，并发送给输出模块；

输出模块208，用于输出筛选模块207所发送的时序控制路径。

不难发现，本实施方式为与第一实施方式相对应的系统实施例，本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一实施方式中。

值得一提的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。

第三实施方式：

本发明提供的第四实施方式涉及一种网络侧服务端，如图3所示，包括至少一个处理器301；以及，与至少一个处理器301通信连接的存储器302；其中，存储器302存储有可被至少一个处理器301执行的指令，指令被至少一个处理器301执行，以使至少一个处理器301能够执行上述的基于时序域的设备调控方法。

其中，存储器302和处理器301采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器301和存储器302的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器301处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器301。

处理器301负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器302可以被用于存储处理器301在执行操作时所使用的数据。

第四实施方式：

本发明第四实施方式涉及一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现第一实施方式中的基于时序域的设备调控方法。

即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。